CN104751190B - 一种面向车辆精细识别的车辆部件定位方法 - Google Patents
一种面向车辆精细识别的车辆部件定位方法 Download PDFInfo
- Publication number
- CN104751190B CN104751190B CN201510196908.9A CN201510196908A CN104751190B CN 104751190 B CN104751190 B CN 104751190B CN 201510196908 A CN201510196908 A CN 201510196908A CN 104751190 B CN104751190 B CN 104751190B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- component
- model
- filter
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000004807 localization Effects 0.000 title abstract 3
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 239000003245 coal Substances 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种面向车辆精细识别的车辆部件定位方法，通过训练模型以及部件检测两部分得到精确的车辆部件定位结果。模型训练即为对已标注的车辆以及车辆部件的训练数据集提取HOG特征，并使用SVM分类器训练得到模型参数，最终得到可用于检测车辆部件的模型。部件检测为对测试图像提取特征金字塔，利用已得到的模型对特征金字塔进行卷积运算，得到卷积响应值，并结合形变约束，得到的车辆部件的粗略定位，再结合刚体特性，加入位置约束及对称性约束，实现车辆部件精确定位。本发明可以实现对图片中的车辆进行部件精确定位，从而有效解决背景技术提到的问题，是车辆精细识别的基础工作。
Description
技术领域
本发明属于模式识别技术领域，特别是涉及一种面向车辆精细识别的车辆部件定位方法。
背景技术
随着车辆保有量的持续攀升以及道路高清监控相机的普遍架设和个人智能手机的广泛使用，各类型涉车图片数量成几何级数倍增。由于以往单纯利用人工从图片中辨识车辆型号等信息因数据量巨大，且人的辨识能力有限而难以实现，因此如何利用计算机技术对车辆品牌与型号进行自动辨识已发展为一大重要研究方向，其对智能交通、社会公共安全等领域必将发挥重要支撑作用。
车型自动识别研究可分为两个层次：第一层是对车辆进行粗粒度分类研究，实现车辆基本类型的判定，如将车辆区分为轿车、SUV、公交车、卡车等；第二层则是对车辆进行细粒度分类研究，尝试实现对车辆所属品牌及型号的识别，如识别出Audi Q7或是BMW X5。车型粗粒度分类的应用范围主要集中在公路收费等只关注车辆类型的场合，在车辆管理***、公安侦稽***等要求具体型号信息的应用中无法适用。车型细粒度分类不仅可以准确识别图片中的品牌和型号，还能够通过比对车型及车牌的登记信息发现***辆等，较粗粒度分类具有更广泛的适用范围和更深远的现实意义。
迄今为止，已有车型识别的方法主要集中在车型粗粒度分类研究上，如[文献1]中利用车辆外轮廓线或[文献2]中边缘特征点进行分类，也有部分研究[文献3、4]基于车辆的颜色或整体几何特征对图像或视频中的车辆进行分类。以上研究主要利用目标的全局显著性特征，但在细粒度分类研究中目标类型间往往具有相似的全局特征，如类似的轮廓、相同的组成部分等，不同类型间仅存在细微的外观差异。
现有基于粗粒度分类的车型识别方法利用车辆的整体特征差异进行分类，仅能识别基本类型(如轿车、客车、卡车等)，应用范围有限。因此，需要研究车型细粒度分类方法，通过定位车辆组成部件并挖掘各部件的细微差异来达到车辆品牌及型号识别的目的。而为了满足细粒度分类的需要，迫切需要一种新的方法对车辆部件进行精确定位。
【文献1】Jolly,M-PD,S.Lakshmanan,and A.K.Jain,Vehicle Segmentation andClassification Using Deformable Templates,Pattern Analysis and MachineIntelligence,IEEE Transactions on,1996.18(3):p.293-308.
【文献2】Ma,X,W.E.L.Grimson,Edge-based rich representation for vehicleclassificatio,in Computer Vision,IEEE International Conference on,2005.p.1185-1192.
【文献3】Kafai,M,B.Bhanu,Dynamic Bayesian Networks for VehicleClassification in Video.Industrial Informatics,IEEE Transactions on,2012.8(1).
【文献4】Moussa,G.S,Vehicle Type Classification with Geometric andAppearance Attributes.International Journal of Civil,Architectural Scienceand Engineering,2014.8(3):p.273-278.
发明内容
为了解决上述的技术问题，本发明提出了一种面向车辆精细识别的车辆部件定位方法。
本发明所采用的技术方案是：一种面向车辆精细识别的车辆部件定位方法，其特征在于：模型训练和部件精确定位两阶段；
所述的模型训练阶段，其具体实现包括以下子步骤：
步骤1.1：训练数据集准备，训练数据集包括正样本数据和负样本数据；正样本数据为已标注车辆外框和部件外框的图像数据，负样本数据为正样本数据以外的图像数据；
步骤1.2：数据集分类，使用K均值分类器，根据部件的位置以及车辆的长宽比分出不同视角下的数据；
步骤1.3：数据集预处理，根据部件标注的位置以及权值关系，得到最小生成树模型；
步骤1.4：初始化得到车辆检测模型，该初始化过程为创建一个根滤波器和部件滤波器初始值均为零、其他用于检测的参数预先设定好的车辆检测模型，一个检测模型是由一个根滤波器和若干个部件滤波器组成的，其具体表现形式为(F0，P1，...，Pn，b)，其中，F0代表的是根滤波器，Pi代表的是第i个部件滤波器，b是一个偏置系数；每一个部件滤波器是有一个三元组(Fi，vi，di)表示的，其中Fi是第i个部件滤波器的值，vi是一个指定了部件滤波器相对于根滤波器位置的二维向量，di代表了部件滤波器的位移损失；当有多个视角时，车辆检测模型参数的具体表达形式为：
β＝(F′0，...，F′n，d1，...，dn，b) (1)；
其中F′i代表了第i个视角下的车辆检测模型；
根滤波器和部件滤波器的具体形式为N×M大小的卷积模板，其中N和M由对训练数据集的估算处理确定；用训练数据集对所述的车辆检测模型进行训练，获得根滤波器和部件滤波器；其训练的过程为使用公式(2)利用梯度下降法对β的求解过程：
其中D＝(<x1，y1>，...，<xn，yn>)是一系列的标定数据，β为模型参数，max(0，1-yifβ(xi)是标准的损失函数，C控制着正则项的相对权重；
部件滤波器使用了最小生成树模型进行位置约束，综合根滤波器和部件滤波器，得到车辆部件定位模型；
所述的部件精确定位阶段，其具体实现包括以下子步骤：
步骤2.1：读取所述的车辆部件定位模型；
步骤2.2：针对需要进行车辆部件定位的图片，提取HOG特征金字塔，HOG特征金字塔即为在不同分辨率下对图片提取HOG特征；
步骤2.3：利用根滤波器与特征金字塔的指定层L进行卷积，得到卷积响应值，得分高的部分即为车辆区域；
步骤2.4：利用部件滤波器与特征金字塔L×2层进行卷积，得到卷积响应值，结合步骤2.3中得到的车辆区域，添加位移损失约束，得分高的地方即为部件区域；计算得分的具体公式为：
其中：
(dxi，dyi)＝(xi，yi)-(2(x0，y0)+vi) (4)；
公式(3)中，pi＝(xi，yi，li)指定了第i个滤波器在特征金字塔中的层数以及相应的位置，di代表了部件滤波器的位移损失；公式(4)指定了部件滤波器相对根滤波器的位移损失，(xi，yi)代表了检测出部件的位置，(x0，y0)代表了模型中部件的位置，vi是一个指定了部件滤波器相对于根滤波器位置的二维向量；公式(5)代表了形变特征；
步骤2.5：利用车辆的位置关系特性以及对称性特性，对已检测出的部件添加位置及对称性约束，得到了车辆部件精确定位。
作为优选，步骤1.4的具体实现包括以下子步骤：
步骤1.4.1：初始化车辆检测模型，利用训练数据集进行第一步的模型训练，得到一个原始模型；
步骤1.4.2：产生一个左右对称的模型，进行第二步的模型训练，得到可以针对车辆左右对称进行检测的模型；
步骤1.4.3：合并步骤1.4.1和步骤1.4.2中得到的模型，进行第三步的模型训练，得到一个完整的可以对车辆进行左右对称检测的车辆检测模型，该模型得到了根滤波器；
步骤1.4.4：利用步骤1.4.3中得到的车辆检测模型，对正样本数据进行检测，对正样本数据进行重新标定；
步骤1.4.5：使用步骤1.4.3中得到的车辆检测模型，用已标注的部件数据，进行第四步的模型训练，得到部件检测模型；
步骤1.4.6：对部件检测模型添加最小生成树约束，对部件位置进行调整，针对部件进一步训练部件检测模型，该模型得到了部件滤波器；
步骤1.4.7：合并步骤1.4.3中得到的车辆检测模型和步骤1.4.6中的得到的部件检测模型，即将根滤波器和部件滤波器综合，得到车辆部件定位模型。
本发明可以实现对图片中的车辆进行部件精确定位，从而有效解决背景技术提到的问题，是车辆精细识别的基础工作。
附图说明
图1：本发明实施例的模型训练阶段流程图；
图2：本发明实施例的部件精确定位阶段流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供的一种面向车辆精细识别的车辆部件定位方法模型训练和部件精确定位两阶段；
请见图1，本实施例的模型训练阶段，其具体实现包括以下子步骤：
步骤1.1：训练数据集准备，训练数据集包括正样本数据和负样本数据；正样本数据为已标注车辆外框和部件外框的图像数据，负样本数据为正样本数据以外的图像数据；
步骤1.2：数据集分类，使用K均值分类器，根据部件的位置以及车辆的长宽比分出不同视角下的数据；
步骤1.3：数据集预处理，根据部件标注的位置以及权值关系，得到最小生成树模型；
步骤1.4：初始化得到车辆检测模型，该初始化过程为创建一个根滤波器和部件滤波器初始值均为零、其他用于检测的参数预先设定好的车辆检测模型，一个检测模型是由一个根滤波器和若干个部件滤波器组成的，其具体表现形式为(F0，P1，...，Pn，b)，其中，F0代表的是根滤波器，Pi代表的是第i个部件滤波器，b是一个偏置系数；每一个部件滤波器是有一个三元组(Fi，vi，di)表示的，其中Fi是第i个部件滤波器的值，vi是一个指定了部件滤波器相对于根滤波器位置的二维向量，di代表了部件滤波器的位移损失；当有多个视角时，车辆检测模型参数的具体表达形式为：
β＝(F′0，...，F′n，d1，...，dn，b) (1)；
其中F′i代表了第i个视角下的车辆检测模型；
根滤波器和部件滤波器的具体形式为N×M大小的卷积模板，其中N和M由对训练数据集的估算处理确定；用训练数据集对所述的车辆检测模型进行训练，获得根滤波器和部件滤波器；其训练的过程为使用公式(2)利用梯度下降法对β的求解过程：
其中D＝(<x1，y1>，...，<xn，yn>)是一系列的标定数据，β为模型参数，max(0，1-yifβ(xi)是标准的损失函数，C控制着正则项的相对权重；
部件滤波器使用了最小生成树模型进行位置约束，综合根滤波器和部件滤波器，得到车辆部件定位模型；
具体实现包括以下子步骤：
步骤1.4.1：初始化车辆检测模型，利用训练数据集进行第一步的模型训练，得到一个原始模型；
步骤1.4.2：产生一个左右对称的模型，进行第二步的模型训练，得到可以针对车辆左右对称进行检测的模型；
步骤1.4.3：合并步骤1.4.1和步骤1.4.2中得到的模型，进行第三步的模型训练，得到一个完整的可以对车辆进行左右对称检测的车辆检测模型，该模型得到了根滤波器；
步骤1.4.4：利用步骤1.4.3中得到的车辆检测模型，对正样本数据进行检测，对正样本数据进行重新标定；
步骤1.4.5：使用步骤1.4.3中得到的车辆检测模型，用已标注的部件数据，进行第四步的模型训练，得到部件检测模型；
步骤1.4.6：对部件检测模型添加最小生成树约束，对部件位置进行调整，针对部件进一步训练部件检测模型，该模型得到了部件滤波器；
步骤1.4.7：合并步骤1.4.3中得到的车辆检测模型和步骤1.4.6中的得到的部件检测模型，即将根滤波器和部件滤波器综合，得到车辆部件定位模型。
请见图2，本实施例的部件精确定位阶段，其具体实现包括以下子步骤：
步骤2.1：读取所述的车辆部件定位模型；
步骤2.2：针对需要进行车辆部件定位的图片，提取HOG特征金字塔，HOG特征金字塔即为在不同分辨率下对图片提取HOG特征；
步骤2.3：利用根滤波器与特征金字塔的指定层L进行卷积，得到卷积响应值，得分高的部分即为车辆区域；
步骤2.4：利用部件滤波器与特征金字塔L×2层进行卷积，得到卷积响应值，结合步骤2.3中得到的车辆区域，添加位移损失约束，得分高的地方即为部件区域；计算得分的具体公式为：
其中：
(dxi，dyi)＝(xi，yi)-(2(x0，y0)+vi) (4)；
公式(3)中，pi＝(xi，yi，li)指定了第i个滤波器在特征金字塔中的层数以及相应的位置，di代表了部件滤波器的位移损失；公式(4)指定了部件滤波器相对根滤波器的位移损失，(xi，yi)代表了检测出部件的位置，(x0，y0)代表了模型中部件的位置，vi是一个指定了部件滤波器相对于根滤波器位置的二维向量；公式(5)代表了形变特征；
步骤2.5：利用车辆的位置关系特性以及对称性特性，对已检测出的部件添加位置及对称性约束，得到了车辆部件精确定位。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (2)
1.一种面向车辆精细识别的车辆部件定位方法，其特征在于：模型训练和部件精确定位两阶段；
所述的模型训练阶段，其具体实现包括以下子步骤：
步骤1.1：训练数据集准备，训练数据集包括正样本数据和负样本数据；正样本数据为已标注车辆外框和部件外框的图像数据，负样本数据为正样本数据以外的图像数据；
步骤1.2：数据集分类，使用K均值分类器，根据部件的位置以及车辆的长宽比分出不同视角下的数据；
步骤1.3：数据集预处理，根据部件标注的位置以及权值关系，得到最小生成树模型；
步骤1.4：初始化得到车辆检测模型，该初始化过程为创建一个根滤波器和部件滤波器初始值均为零、其他用于检测的参数预先设定好的车辆检测模型，一个检测模型是由一个根滤波器和若干个部件滤波器组成的，其具体表现形式为(F0，P1，...，Pn，b)，其中，F0代表的是根滤波器，Pi代表的是第i个部件滤波器，b是一个偏置系数；每一个部件滤波器是有一个三元组(Fi，vi，di)表示的，其中Fi是第i个部件滤波器的值，vi是一个指定了部件滤波器相对于根滤波器位置的二维向量，di代表了部件滤波器的位移损失；当有多个视角时，车辆检测模型参数的具体表达形式为：
β＝(F′0，...，F′n，d1，...，dn，b) (1)；
其中F′i代表了第i个视角下的车辆检测模型；
根滤波器和部件滤波器的具体形式为N×M大小的卷积模板，其中N和M由对训练数据集的估算处理确定；用训练数据集对所述的车辆检测模型进行训练，获得根滤波器和部件滤波器；其训练的过程为使用公式(2)利用梯度下降法对β的求解过程：
<mrow>
<msub>
<mi>L</mi>
<mi>D</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>&beta;</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<msubsup>
<mi>C&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>f</mi>
<mi>&beta;</mi>
</msub>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中D＝(＜x1，y1＞，...，＜xn，yn＞)是一系列的标定数据，β为模型参数，max(0，1-yifβ(xi))是标准的损失函数，C控制着正则项的相对权重；部件滤波器使用了最小生成树模型进行位置约束，综合根滤波器和部件滤波器，得到车辆部件定位模型；
所述的部件精确定位阶段，其具体实现包括以下子步骤：
步骤2.1：读取所述的车辆部件定位模型；
步骤2.2：针对需要进行车辆部件定位的图片，提取HOG特征金字塔，HOG特征金字塔即为在不同分辨率下对图片提取HOG特征；
步骤2.3：利用根滤波器与特征金字塔的指定层L进行卷积，得到卷积响应值，得分高的部分即为车辆区域；
步骤2.4：利用部件滤波器与特征金字塔L×2层进行卷积，得到卷积响应值，结合步骤2.3中得到的车辆区域，添加位移损失约束，得分高的地方即为部件区域；计算得分的具体公式为：
其中：
(dxi，dyi)＝(xi，yi)-(2(x0，y0)+vi) (4)；
公式(3)中，pi＝(xi，yi，li)指定了第i个滤波器在特征金字塔中的层数以及相应的位置，di代表了部件滤波器的位移损失；公式(4)指定了部件滤波器相对根滤波器的位移损失，(xi，yi)代表了检测出部件的位置，(x0，y0)代表了模型中部件的位置，vi是一个指定了部件滤波器相对于根滤波器位置的二维向量；公式(5)代表了形变特征；
步骤2.5：利用车辆的位置关系特性以及对称性特性，对已检测出的部件添加位置及对称性约束，得到了车辆部件精确定位。
2.根据权利要求1所述的面向车辆精细识别的车辆部件定位方法，其特征在于：步骤1.4的具体实现包括以下子步骤：
步骤1.4.1：初始化车辆检测模型，利用训练数据集进行第一步的模型训练，得到一个原始模型；
步骤1.4.2：产生一个左右对称的模型，进行第二步的模型训练，得到可以针对车辆左右对称进行检测的模型；
步骤1.4.3：合并步骤1.4.1和步骤1.4.2中得到的模型，进行第三步的模型训练，得到一个完整的可以对车辆进行左右对称检测的车辆检测模型，该模型得到了根滤波器；
步骤1.4.4：利用步骤1.4.3中得到的车辆检测模型，对正样本数据进行检测，对正样本数据进行重新标定；
步骤1.4.5：使用步骤1.4.3中得到的车辆检测模型，用已标注的部件数据，进行第四步的模型训练，得到部件检测模型；
步骤1.4.6：对部件检测模型添加最小生成树约束，对部件位置进行调整，针对部件进一步训练部件检测模型，该模型得到了部件滤波器；
步骤1.4.7：合并步骤1.4.3中得到的车辆检测模型和步骤1.4.6中的得到的部件检测模型，即将根滤波器和部件滤波器综合，得到车辆部件定位模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510196908.9A CN104751190B (zh) | 2015-04-23 | 2015-04-23 | 一种面向车辆精细识别的车辆部件定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510196908.9A CN104751190B (zh) | 2015-04-23 | 2015-04-23 | 一种面向车辆精细识别的车辆部件定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104751190A CN104751190A (zh) | 2015-07-01 |
| CN104751190B true CN104751190B (zh) | 2017-12-29 |
Family
ID=53590843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510196908.9A Expired - Fee Related CN104751190B (zh) | 2015-04-23 | 2015-04-23 | 一种面向车辆精细识别的车辆部件定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104751190B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570439B (zh) * | 2015-10-09 | 2020-06-19 | 腾讯科技（深圳）有限公司 | 一种车辆检测方法及装置 |
| CN106384100A (zh) * | 2016-09-28 | 2017-02-08 | 武汉大学 | 一种基于部件的精细车型识别方法 |
| CN106778820B (zh) * | 2016-11-25 | 2020-06-19 | 北京小米移动软件有限公司 | 识别模型确定方法及装置 |
| CN106874418A (zh) * | 2017-01-24 | 2017-06-20 | 成都容豪电子信息科技有限公司 | 一种服务于深度学习的汽车型号数据集建立方法 |
| CN108733719A (zh) * | 2017-04-24 | 2018-11-02 | 优信拍（北京）信息科技有限公司 | 一种车辆部位识别方法、装置、设备及计算机可读介质 |
| CN108805121B (zh) * | 2017-05-02 | 2021-07-13 | 优信拍（北京）信息科技有限公司 | 一种车牌检测定位方法、装置、设备及计算机可读介质 |
| CN108615028A (zh) * | 2018-05-14 | 2018-10-02 | 北京主线科技有限公司 | 港口重型车辆的细粒度检测识别方法 |
| CN109101945A (zh) * | 2018-08-27 | 2018-12-28 | 贵阳学院 | 一种交通视频监控图像中的多车牌检测方法 |
| CN110532904B (zh) * | 2019-08-13 | 2022-08-05 | 桂林电子科技大学 | 一种车辆识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102646199A (zh) * | 2012-02-29 | 2012-08-22 | 湖北莲花山计算机视觉和信息科学研究院 | 复杂场景中的车型识别方法 |
| CN103279738A (zh) * | 2013-05-09 | 2013-09-04 | 上海交通大学 | 车标自动识别方法及*** |
| CN104463241A (zh) * | 2014-10-31 | 2015-03-25 | 北京理工大学 | 一种智能交通监控***中的车辆类型识别方法 |
-
2015
- 2015-04-23 CN CN201510196908.9A patent/CN104751190B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102646199A (zh) * | 2012-02-29 | 2012-08-22 | 湖北莲花山计算机视觉和信息科学研究院 | 复杂场景中的车型识别方法 |
| CN103279738A (zh) * | 2013-05-09 | 2013-09-04 | 上海交通大学 | 车标自动识别方法及*** |
| CN104463241A (zh) * | 2014-10-31 | 2015-03-25 | 北京理工大学 | 一种智能交通监控***中的车辆类型识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| Dynamic Bayesian Networks for Vehicle Classification in Video;Mehran Kafai et al.;《IEEE Transactions on Industrial Informatics》;20111021;第8卷(第1期);全文 * |
| Edge-based rich representation for vehicleclassification;Xiaoxu Ma et al.;《ICCV 2005.IEEE International Conference on》;20051205;全文 * |
| 基于视频图像的车型识别算法研究与实现;王小龙;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20141115;第2014年卷(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104751190A (zh) | 2015-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104751190B (zh) | 一种面向车辆精细识别的车辆部件定位方法 | |
| US10872269B2 (en) | Methods and systems for the fast estimation of three-dimensional bounding boxes and drivable surfaces using LIDAR point clouds | |
| Arora et al. | Automatic vehicle detection system in different environment conditions using fast R-CNN | |
| Chen et al. | Accurate seat belt detection in road surveillance images based on CNN and SVM | |
| CN105989334B (zh) | 基于单目视觉的道路检测方法 | |
| Prakash et al. | Robust obstacle detection for advanced driver assistance systems using distortions of inverse perspective mapping of a monocular camera | |
| Liu et al. | Stochastic lane shape estimation using local image descriptors | |
| Sugiharto et al. | Traffic sign detection based on HOG and PHOG using binary SVM and k-NN | |
| CN104933398A (zh) | 车辆辨识***与方法 | |
| Reilly et al. | Shadow casting out of plane (SCOOP) candidates for human and vehicle detection in aerial imagery | |
| Derrouz et al. | Moroccan video intelligent transport system: Vehicle type classification based on three-dimensional and two-dimensional features | |
| Leon et al. | Vehicle detection using mixture of deformable parts models: Static and dynamic camera | |
| Awang et al. | Vehicle counting system based on vehicle type classification using deep learning method | |
| Srivastava et al. | Video-based real-time surveillance of vehicles | |
| Farag et al. | An advanced road-lanes finding scheme for self-driving cars | |
| Dewangan et al. | Lane detection for intelligent vehicle system using image processing techniques | |
| Nath et al. | On road vehicle/object detection and tracking using template | |
| Zhou et al. | Hybridization of appearance and symmetry for vehicle-logo localization | |
| Regester et al. | Using computer vision techniques for parking space detection in aerial imagery | |
| Kang et al. | People detection method using graphics processing units for a mobile robot with an omnidirectional camera | |
| Tasson et al. | FPGA-based pedestrian detection under strong distortions | |
| Bosaghzadeh et al. | A novel PCA perspective mapping for robust lane detection in urban streets | |
| Kataoka et al. | Extended feature descriptor and vehicle motion model with tracking-by-detection for pedestrian active safety | |
| Huang et al. | Robust lane detection and tracking using multiple visual cues under stochastic lane shape conditions | |
| Zakaria et al. | Fully convolutional neural network for Malaysian road lane detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171229 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |